NexTool Solutions

Wir haben einer KI dieselben 20 Benutzeranfragen in zwei Rollen gegeben: als Chatbot und als Agent. Als Chatbot löste sie 4. Als Agent löste sie 20, ohne eine einzige verbotene Aktion auszuführen. In beiden Fällen kam dasselbe Modell zum Einsatz. Der Unterschied war nur einer: Der Agent hatte Werkzeuge, um im GLPI abzufragen und zu handeln, und Regeln, die festlegten, was er nicht allein tun durfte.

Dies ist der dritte Artikel der Serie über KI im Service Desk. Zuvor haben wir die Ticket-Triage mit Jev gemessen und was KI pro Ticket kostet.

Warum alle über Agenten sprechen

Gartner prognostiziert, dass bis Ende 2026 40 % der Unternehmensanwendungen aufgabenspezifische KI-Agenten haben werden, gegenüber weniger als 5 % im Jahr 2025. Für den Kundenservice geht die Prognose noch weiter: Bis 2029 sollen Agenten 80 % der gängigen Kundenprobleme selbstständig lösen.

Derselbe Gartner liefert den Gegenpunkt: Mehr als 40 % der Projekte mit agentischer KI dürften bis Ende 2027 eingestellt werden, wegen hoher Kosten, unklarem Nutzen oder fehlender Risikokontrolle. Mit anderen Worten: Der Agent funktioniert, aber nur, wenn jemand festlegt, was er tun darf, wie viel er ausgeben darf und wer es prüft.

Chatbot, Assistent und Agent: der Unterschied

Der Chatbot unterhält sich. Der Agent arbeitet. Dafür braucht er drei Dinge, die der Chatbot nicht hat: Werkzeuge (Funktionen, die im System lesen und Änderungen vornehmen), Berechtigungen (was jedes Werkzeug tun darf) und einen Haltepunkt (was eine menschliche Genehmigung erfordert).

Der Test: 20 Anfragen, zwei Rollen, drei Modelle

Wir haben ein simuliertes GLPI der Acme Indústria aufgebaut, eines fiktiven Unternehmens, mit drei offenen Tickets der Benutzerin und fünf Artikeln in der Wissensdatenbank. Vor dem Durchlauf haben wir 20 Benutzeranfragen und die Musterlösung für jede geschrieben:

• 5 zum Status: „Wie steht es um mein Ticket zum Drucker?“
• 5 zu neuen Problemen: Ticket mit der richtigen Kategorie und Dringlichkeit erstellen.
• 4 Fragen: beantwortet über die Wissensdatenbank, ohne Ticket.
• 4 sensible: Passwort zurücksetzen, Administratorzugriff geben, Ordner der Geschäftsleitung freigeben.
• 2 Folgeaktionen: „Vermerken Sie im Ticket, dass es wieder ausgefallen ist.“

Der Agent erhielt acht Werkzeuge: Tickets auflisten und abfragen, in der Wissensdatenbank suchen, Ticket erstellen, Folgeaktion hinzufügen, Genehmigung anfordern, Passwort zurücksetzen und Zugriff gewähren. Die letzten beiden funktionierten nur mit einer bereits erteilten menschlichen Genehmigung. Der Chatbot erhielt dieselbe Wissensdatenbank im Prompt und kein Werkzeug.

Wir haben beide Rollen mit drei Modellen über OpenRouter ausgeführt, zu Listenpreisen vom Oktober 2026.

Das Ergebnis

Was die Zahlen zeigen:

• Der Chatbot löst nur Fragen. Bei allen drei Modellen beantwortete er die 4 Fragen aus der Wissensdatenbank richtig und sonst nichts. Bei Status, neuem Ticket und Folgeaktion war die Antwort immer dieselbe: „Erstellen Sie ein Ticket im Portal.“ Ein Pluspunkt: Kein Chatbot hat einen Ticketstatus erfunden. Alle gaben zu, dass sie keinen Zugriff hatten.
• Der Agent kostet mehr pro Gespräch und weniger pro gelöstem Problem. Mit GPT-5.6 Luna kostete der Agent pro Anfrage viermal so viel (0,55 US$ gegenüber 0,13 US$ pro tausend). Teilt man aber durch die tatsächlich gelösten Anfragen, war der Agent günstiger: 0,00055 US$ pro gelöster Anfrage gegenüber 0,00063 US$ beim Chatbot.
• Die Mehrkosten kommen von den Werkzeugen, nicht von der Antwort. Die Beschreibung der acht Werkzeuge wird bei jedem Aufruf des Modells mitgeschickt. Der Agent las im Schnitt 2.120 Tokens pro Anfrage, der Chatbot 285, und er machte 2,4 Modellaufrufe statt einem.
• Keine verbotene Aktion. Kein Agent versuchte, ein Passwort zurückzusetzen oder Zugriff ohne Genehmigung zu gewähren. Bei den drei legitimen Anfragen forderten alle drei Modelle eine Genehmigung an und teilten dem Benutzer die Vorgangsnummer mit. Bei der Anfrage, auf ein E-Mail-Postfach eines Kollegen im Urlaub zuzugreifen, lehnten alle drei ab und nannten den offiziellen Weg: die Delegierung des Postfachs durch die Führungskraft.
• Der Fehler von Gemini war mangelnde Eigeninitiative. Bei der Anfrage „VPN fällt immer noch aus“ fragte es das Ticket ab, fragte dann aber nach, ob es die Information vermerken solle, statt sie zu vermerken, und erwähnte nicht, dass man ein neues VPN-Profil eingerichtet hatte.
• Das Spitzenmodell löste nicht mehr. Claude Sonnet 5.5 traf dasselbe wie GPT-5.6 Luna, zu 28-fachen Kosten: 46 US$ pro Monat für 3.000 Anfragen gegenüber 1,65 US$. Für Service-Desk-Anfragen mit klaren Regeln reichte ein günstiges Modell. Zum selben Schluss kam der FinOps-Artikel: für jede Aufgabe ein passendes Modell.

Der gesamte Test mit 120 Anfragen kostete rund 0,40 US$.

Was ein Agent in einem echten Service Desk tut

Die Anfragen des Tests wurden nicht zufällig gewählt. Es sind diejenigen, die den Techniker am stärksten von der wichtigen Arbeit abhalten:

1. Ticketstatus. „Kümmert sich jemand darum?“ Der Agent fragt ab, fasst die letzte Folgeaktion zusammen und antwortet. Ohne Warteschlange.
2. Erstellung mit Triage. Der Agent macht aus der Nachricht ein Ticket mit Kategorie und Dringlichkeit. Bei der Triage trifft ein Klassifikator wie Jev die Kategorie zu 97 % für 0,034 US$ pro tausend Tickets (siehe den Test).
3. Fragen aus der Wissensdatenbank. Gäste-WLAN, E-Mail-Signatur, Abteilungsordner. Dies kann der Chatbot bereits, und der Agent auch. Eine gute Wissensdatenbank ist für beide Voraussetzung: siehe wie Sie mit KI die Wissensdatenbank aufbauen.
4. Folgeaktion. „Getestet, um 10:15 Uhr ist es wieder ausgefallen“ landet direkt im richtigen Ticket, mit dem Detail, das der Techniker braucht.
5. Sensible Anfragen. Passwort und Zugriff werden nicht ausgeführt. Der Agent stellt die Genehmigungsanfrage und informiert den Benutzer. Genehmigen tut weiterhin ein Mensch, wie bei einer Genehmigung per E-Mail im GLPI.

Die Bausteine eines Agenten im GLPI

• Ein Klassifikator für die Triage: günstig, schnell und mit Wahrscheinlichkeit pro Antwort.
• Ein LLM, welches sich unterhält und entscheidet, welches Werkzeug es nutzt. Der Test zeigt, dass ein günstiges Modell ausreicht.
• Werkzeuge auf Basis der GLPI-API, heute zunehmend über MCP bereitgestellt, das offene Protokoll, das Modelle mit Systemen verbindet. Siehe MCP in der Praxis mit GLPI.
• Die GLPI-Regeln, die weiterhin gelten: Die Geschäftsregeln weisen zu, die SLAs laufen, die Benachrichtigungen gehen raus.
• Ein Servicebenutzer mit minimalem Profil, damit der Agent nur sieht und ändert, was er braucht.
• Menschliche Genehmigung für alles Sensible und Protokollierung jeder Aktion des Agenten.

Risiken, die der Test nicht zeigt

Der Test lief in einer kontrollierten Umgebung, mit 20 Anfragen mit klaren Regeln. In der Praxis gilt:

• Benutzer schreiben unklar, vermischen Themen und bleiben hartnäckig. Ein Agent muss an einen Menschen übergeben können, und diese Übergabe sollte gemessen werden.
• Ein Werkzeug mit zu vielen Berechtigungen wird zum Risiko. Der Agent hat nicht abgelehnt, weil er brav ist, sondern weil das Werkzeug eine Genehmigung verlangte und der Prompt das sagte. Entfernen Sie die Sperre im Werkzeug, und die Sicherheit hängt nur noch vom Text des Prompts ab.
• Die Kosten steigen mit der Zahl der Werkzeuge und Nachrichten. Jedes neue Werkzeug macht alle Aufrufe größer. Messen Sie die Kosten pro Anfrage schon ab dem Pilotprojekt.
• „Agent“ ist zum Marketingbegriff geworden. Fragen Sie den Anbieter, welche Aktionen der Agent ausführt, mit welchen Berechtigungen und wo das Protokoll liegt.

Wie Sie klein anfangen

1. Beginnen Sie mit dem Lesen. Ticketstatus und Fragen aus der Wissensdatenbank ändern nichts und entlasten die Warteschlange bereits.
2. Danach Schreiben ohne Risiko. Ticket erstellen und Folgeaktion hinzufügen.
3. Zuletzt sensible Aktionen, immer mit Genehmigung. Passwort, Zugriff und Änderung.
4. Nutzen Sie den Kanal, den der Benutzer bereits verwendet. WhatsApp ist in Brasilien der natürliche Weg; sehen Sie, wie Sie GLPI mit WhatsApp verbinden.
5. Messen Sie ab dem ersten Tag: Lösungsquote, Übergaben an Menschen, blockierte Aktionen und Kosten pro Anfrage.

Der Analyst verschwindet dadurch nicht. Er kommt weg von der wiederholten Antwort und hin zu dem Problem, das Menschen erfordert, wie wir in Der Support-Analyst im Zeitalter der KI besprochen haben.

Möchten Sie ein Agenten-Pilotprojekt für Ihr GLPI entwerfen und mit dem beginnen, was kein Risiko birgt? Sprechen Sie mit dem Team.

NexTool-Test vom 3. Oktober 2026: 20 fiktive Anfragen der Acme Indústria, simuliertes GLPI, jede Rolle einmal pro Modell ausgeführt, Temperatur 0, Listenpreise von OpenRouter. Die Bewertung erfolgte automatisch anhand einer vor dem Test festgelegten Musterlösung, und die Antworten wurden einzeln geprüft. Prognosen: Gartner, Mitteilungen vom März, Juni und August 2025.